导读:本文包含了多描述编码论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:深度,图像,水印,视觉,矢量,视频,标量。
多描述编码论文文献综述
张婷[1]（2019）在《基于深度学习的多描述编码研究》一文中研究指出随着多媒体和互联网技术的高速发展,人们已经步入了大数据时代。图像和视频作为主要的信息载体,相关的研究技术也在不断发展。近几年,深度学习算法在计算机视觉高层领域已经取得了突破性的成果,在像素级别的低层视觉领域也表现出了巨大的潜力。然而,在实际应用中,网络异构性、网络堵塞等都容易导致数据包丢失、传输延迟等问题。因此,研究有限带宽中信息的高效可靠传输技术是图像和视频编码领域的重点。多描述编码(Multiple Description Coding,MDC)作为一种有效的抗误码传输技术,受到了广泛学者的关注。为了兼容标准编解码器的同时,提升多描述编码的重建质量,本文将传统的基于亚采样的多描述编码算法与深度学习算法相结合,在图像编码方面,提出了多描述图像编码重建网络;在视频编码方面,提出了基于视频插帧和质量增强的多描述视频编码方案,提升了单路和中心路重建质量。完成的工作主要包括:(1)提出了兼容标准的多描述图像编码重建网络。本方案在基于亚采样的多描述图像编码算法解码端,设计了基于卷积神经网络的端到端的重建网络,包括两个单路重建和一个中心路重建子网络,分别用于提升单路和中心路的重建质量。实验结果表明该方案改进了率失真性能,尤其在比特率较低的情况下效果更明显。(2)提出了基于光流引导的多尺度密集连接网络的视频插帧算法,用于提升多描述视频编码的单路重建质量。本方案首先利用光流估计网络获得初始插帧结果,然后应用所提出的帧插值网络提高插帧质量。对于网络结构设计,本方案采用多尺度密集连接的结构,不仅加快了网络参数的梯度反向传播,而且利用多尺度信息提升了较大运动场景中的视频插帧效果。通过与其它基于光流以及基于卷积神经网络的插帧算法对比,所提出方案的插帧结果在主客观质量上均有所提升。(3)提出了视频插帧和帧循环质量增强结合的多描述视频编码算法。在传统的基于时域亚采样的多描述视频编码中,单路重建的损失来源于压缩失真和部分帧丢失,而中心路重建的损失主要来源于视频帧压缩。因此,该方案结合基于深度学习的视频插帧和视频质量增强算法用于提升单路重建质量,同时将质量增强算法用于提升中心路重建结果。其中,所提出的质量增强算法采用了帧循环处理的结构,保证了时域信息的传递,减少了计算量。实验结果验证了整体方案的有效性。(本文来源于《北京交通大学》期刊2019-06-01）
马静远[2]（2018）在《基于格型矢量量化的多描述编码》一文中研究指出随着数字信息与多媒体技术的不断发展,数字图像视频处理技术也取得了飞快的进步,特别是立体图像、叁维视频,凭借其能与用户交互的功能以及强烈的视觉冲击感成为了研究热点。然而随着用户数量不断扩大、需求不断增高,数据量已经远超出现有硬件的处理能力,在有限传输带宽下如何高效可靠地传输图像视频码流成为了图像视频处理的关键。多描述编码(Multiple Description Coding,MDC)是将信源编码成多个具有同等重要信息的比特流(描述)在不同信道上传输。在解码端,只需要收到一个描述,解码器就可以重建出人眼可接受的低质量图像视频,如果所有描述都能被收到,信源解码质量将达到最佳。MDC有效地解决了传统信源在单一信道传输时由于网络延迟而引起的质量下降问题。本文考虑到多描述格型矢量量化(Multiple Description Lattice Vector Quantization,MDLVQ)编码的抗误码特性,并结合视觉显着性理论,对深度图像、二维彩色图像和立体图像的编解码算法进行了优化和改进,完成的工作主要包括:(1)将格型矢量量化(Lattice Vector Quantization,LVQ)的多描述编码应用在深度图编码中。对深度图小波变换之后的不同子带系数采用不同的编码方案。低频子带系数采用较小量化步长的MDLVQ编码;而高频子带系数采用改进的集合分裂嵌入块编码(Set Partitioned Embedded Block Coding,SPECK),该方案最终保留了小波变换之后的所有较大系数。实验证明,该方案在提高深度图重建精度以及合成视点解码质量的同时,并没有花费更多的编码比特数,尤其是针对不可靠网络传输时,该方案在单路解码质量上优势明显。(2)提出一种基于视觉显着性的优化MDLVQ编码方案。与传统MDLVQ不同,首先我们依据图像内容设定一个将图像划分为显着区域与非显着区域的自适应阈值。其次通过迭代算法找到一对最优的量化步长分别对显着区域进行精细量化,对非显着区域进行粗糙量化。实验结果显示,与传统MDLVQ编码方案相比,改进方案显着区域的解码质量在主、客观上都得到了提高。(3)考虑到立体视频的发展,提出了一种基于视觉显着性的立体图像多描述编码方案。该方案在获得立体图像的显着性区域时,不但考虑亮度、颜色、纹理特征,而且将深度图像也作为一种参考因素引入进来,同时优化特征图融合方法。这种结合亮度、颜色、纹理、深度多特征的显着检测模型,大大提高了显着区域检测的准确性。最后,采用优化的MDLVQ编码对显着区域与非显着区域编码。实验表明,对立体图像采用基于视觉显着性的MDLVQ编码,同样具有较好的率失真性能。(本文来源于《北京交通大学》期刊2018-03-01）
张慧雯[3]（2016）在《叁维深度图像的多描述编码》一文中研究指出叁维立体视频是一种能够提供立体感的新型视频技术,因其具有强烈的临场感而受到了人们的喜爱,目前最受欢迎的叁维视频格式是多视点视频加深度形式的视频,这种格式视频压缩编码的重要组成部分就是深度图像视频的压缩编码。叁维深度图像有其独特的构成特征,传统的二维图像视频的编码方法已经不适用于深度图像,寻求针对深度图像的编码方案十分必要。此外,由于人类视觉系统(Human Vision System, HVS)固有的视觉特性可以忽略大量的感知冗余,如果在视频图像编码中引入人类视觉系统的视觉特性,将会得到更好的视觉效果。本文在传统的格型矢量量化多描述编码框架下,根据深度图像的特点以及人眼的视觉特性,对深度图像的编码算法进行研究和改进。主要完成的工作包括：(1)提出了基于格型矢量量化的多描述深度图像优化编码方案。考虑到深度图像具有很强的稀疏性的结构特征,我们对经典的格型矢量量化多描述编码方案进行了改善,方案中将边缘信息在相应块中所占比例的多少作为量化步长自适应分配的准则,对边缘信息多的块分配较小的量化步长,这样可以使边缘部分实现更精确的编码,最终使得重构深度图像以及合成虚拟视点的质量得到提升。(2)提出了包括深度信息在内的JND模型SDJND.传统的单视点图像视频编码考虑了空间域的JND模型,但是人类视觉系统对深度信息的改变也存在着感知冗余。本方案将空间域和深度域的JND模型进行结合得到新的JND模型,即SDJND模型。该模型不仅考虑了空间域的掩藏效应,而且还考虑了深度图像的视觉冗余,与未考虑深度信息的空间域SJND模型相比,SDJND模型能够更好地吻合人眼视觉特性。(3)提出了基于人类视觉系统的深度图像多描述编码方法。将从SDJND模型中提取出的DJND模型应用于叁维视频深度图像编码系统中,根据重建深度图像和原始深度图像的差值在DJND范围内的百分比来自适应分配格型矢量量化的量化步长。在码率近似相同的情况下,该优化方案在客观质量和主观质量上都有较好提升。(本文来源于《北京交通大学》期刊2016-03-01）
蔡旻,欧扬,胡伏原,雷岩[4]（2015）在《一种基于标量量化分割的视频多描述编码方法》一文中研究指出多描述编码技术能提高编码的鲁棒性来保证视频流的高效稳定传输,是一种重要的差错复原技术。结合多描述编码理论和视频编码具体情况,提出了一种基于标量量化分割的视频多描述编码方法,通过归纳得到两张索引匹配表,并由此将DCT系数分割为两路,实现了在编码端的分割。而在接收端通过增加反映射模块,实现每一路都能单独解码,两路全部收到可以联合解码。最后通过实验证明:该方法是可行的,并取得比较好的图像效果。(本文来源于《苏州科技学院学报(自然科学版)》期刊2015年04期）
陈帆,张晓旭,和红杰[5]（2015）在《基于多描述编码的自恢复脆弱水印算法》一文中研究指出兼顾水印嵌入容量和篡改恢复质量,基于多描述编码提出一种自适应图像内容的可恢复脆弱水印算法。该算法在图像块自适应分类的基础上,将图像块的DCT系数分为两个独立且互补的变长描述编码,每个描述能独立地近似恢复图像块的内容,两个描述编码一起得到的恢复质量更高。水印嵌入时,两个描述编码基于密钥随机嵌在不同图像块中,以提高算法在不同攻击下的篡改检测性能。被篡改图像块,只要有一个描述有效即可恢复该篡改块,若两个描述同时有效,可进一步提高篡改块的恢复质量,有效缓解了同步攻击与数据浪费之间的矛盾。实验结果证明,该算法不仅有效降低了生成的恢复水印容量,同时提高了不同攻击下的篡改检测性能和篡改恢复质量。(本文来源于《铁道学报》期刊2015年01期）
郑海波,朱秀昌[6]（2014）在《基于分块压缩感知与平均分组的图像多描述编码》一文中研究指出提出了一种基于压缩感知理论的图像多描述编码的方法。该方法在编码端利用分块压缩感知技术对图像进行随机测量,将得到的测量结果矩阵按行平分形成多个描述;在解码端,利用所收到的若干描述重建出相应的图像,且收到的描述个数越多,重建图像的质量越好。直接对测量后的矩阵进行行分割,可以随意产生多个描述,同时也使得编码端的计算复杂度大大降低。实验表明,在相同条件下,本文方法的编码时间更短,图像的重构质量也明显优于其他多描述编码的方法。(本文来源于《数据采集与处理》期刊2014年05期）
吕成鹏,岳殿武,潘晓晨,沈静铭[7]（2014）在《基于分级量化压缩感知的多描述编码方法研究》一文中研究指出为提高多描述编码的性能,研究了一种基于分级量化压缩感知(compressive sensing,CS)的多描述编码方法。通过交织抽取把图像分块得到几个子图像,对每个子图像进行分块压缩感知形成多个描述码流,接收端通过求解优化问题重建原图像。为了提高比特利用率,使用分级量化方法对测量值进行量化。实验结果表明,在保证图像恢复质量的前提下,该方法可以节省编码所需比特数,不影响多描述编码的抗丢包性能。(本文来源于《计算机工程与设计》期刊2014年07期）
田波,蔡述庭[8]（2014）在《面向Ad hoc网络的视频多描述编码及其传输方法》一文中研究指出为增强无线多跳网络(Ad hoc网络)中视频传输的抗误码性能,提出了一种面向Ad hoc网络的视频多描述编码及其传输方法。首先,通过判断两个相邻帧运动矢量的差值,自适应地在视频序列中插入参考帧以提高帧间编码效率;然后分别抽取出视频序列中的奇数帧和偶数帧形成两个描述;最后,在确保传输路径可靠性的基础上,选取两个质量较高的节点不相交路径分别传输视频序列的两个描述,以提高视频传输的可靠性。OPNET Modeler中的仿真实验结果表明,与目前Ad hoc网络中典型的多描述编码及传输方法 MDC_AODV相比,本文提出的方法有效地增强了视频传输的抗误码性,提高了接收端的视频质量。(本文来源于《铜仁学院学报》期刊2014年04期）
王光钰[9]（2014）在《基于混合范数重构的图像压缩感知多描述编码》一文中研究指出信号在恶劣信道传输时,数据包在噪声的干扰下,时常出现数据差错或数据丢失等问题,给接收端的有效解码和信号恢复带来困难。多描述编码因其可以解决数据在不可靠信道下的实时传输受到越来越广泛的关注。通过多描述编码,将原始信号按照一定的规则划分为多个描述,并通过相互独立的信道进行传输,接收端只需要接收到一个完整的描述,就可以恢复出质量可被接受的信号,大大提高了传输系统的抗丢包能力,增强了信号的鲁棒性。多描述编码的信号恢复质量依赖于所接收到的描述个数,收到的描述越多,则恢复质量越好,但是描述的增加会使编码端的复杂度上升,同时编码效率降低,近年来兴起的压缩感知理论可以有效解决这一问题。压缩感知理论可以通过远少于奈奎斯特采样定理的样本数来获得信号的全部信息。将压缩感知的每一次观测当作是对原信号的一次描述,可以将压缩感知理论和多描述编码有效的结合起来,为高效编码以及信息的可靠传输提供新的思路。本文主要对图像信号进行压缩感知多描述编码研究。通过小波变换,获得图像的高低频子带,对稀疏性较好的高频子带进行压缩感知观测,分离高低频系数为两个描述进行传输。在接收端,采用混合范数算法、BP算法和OMP算法对图像进行重构。与基于单一范数的BP算法和基于贪婪迭代的OMP算法相比,混合范数算法对实现重构所要求的已知条件少于以上两种算法。在噪声分布和信号稀疏度都未知的情况下,通过混合范数公式中对噪声干扰的限制,算法对噪声环境的适应能力大大提高,在高斯白噪声条件下表现出较好的重构性能。仿真实验表明,相比于单一描述,多描述方式可以有效提高信号的抗丢包能力。在含有噪声的系统中,具有良好抗噪声性能的混合范数算法可以获得比BP算法和OMP算法更高的图像恢复质量,更加适用于实际的通信环境。(本文来源于《大连海事大学》期刊2014-05-20）
周文帅[10]（2014）在《二维/叁维视频的多描述编码方法研究》一文中研究指出近年来随着多媒体技术和网络通讯技术的爆炸式发展,视频信息已经广泛应用于社会生产和人们生活的各个方面,如视频点播、视频会议、视频电话、视频监控、高清电视等。然而,网络中普遍存在的网络拥塞、随机比特错误和数据包的丢失都将导致视频重建质量的严重下降,给传统的视频传输带来了极大的挑战。因此,需要研究一种兼具较高压缩效率和传输可靠性的视频编码方法。为了应对视频的网络传输问题,多描述视频编码方法吸引了国内外学者的广泛关注。然而,传统的多描述视频编码中存在与国际视频编码标准不兼容、没有充分考虑人眼视觉特性及压缩效率较低等问题。为此,本文针对二维及叁维视频的多描述编码方法展开研究,完成的工作主要包括：1.针对二维视频的一些多描述编码方法中存在的与国际标准编解码器不兼容、压缩效率较低等问题,本文提出了基于预测式错误恢复机制的多描述视频编码方法。针对时域采样生成的多描述视频序列,通过在编码端对解码恢复错误的有效预测,自适应地在多个描述内加入冗余信息,在兼容标准编解码器的情况下,有效地提高了多描述视频编码方法的率失真性能。2.传统二维视频的多描述编码方法往往没有充分考虑人类视觉系统特性的问题来设计编解码器。为此,本文结合JND (Just Noticeable Distortion, JND)信息提出了基于人类视觉系统的多描述视频编码方法。由于考虑了人类视觉系统的特性来合理分配描述内的冗余信息,因此,在相同码率下所提出的方法可以获取更好的视觉重建质量。3.本文进一步将基于人类视觉系统的多描述视频编码方法运用于叁维视频中。通过利用人眼的视觉特性,将颜色视频序列和深度视频序列分别经过多描述编码方法进行处理。为了更好地进行质量评估,本文将解码所得的颜色及深度视频序列经过视角合成技术生成中间视角的颜色视频序列进行实验。相比传统叁维视频的多描述编码方法,本文所提出的方法具有较高的信道传输可靠性。(本文来源于《北京交通大学》期刊2014-03-01）
多描述编码论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着数字信息与多媒体技术的不断发展,数字图像视频处理技术也取得了飞快的进步,特别是立体图像、叁维视频,凭借其能与用户交互的功能以及强烈的视觉冲击感成为了研究热点。然而随着用户数量不断扩大、需求不断增高,数据量已经远超出现有硬件的处理能力,在有限传输带宽下如何高效可靠地传输图像视频码流成为了图像视频处理的关键。多描述编码(Multiple Description Coding,MDC)是将信源编码成多个具有同等重要信息的比特流(描述)在不同信道上传输。在解码端,只需要收到一个描述,解码器就可以重建出人眼可接受的低质量图像视频,如果所有描述都能被收到,信源解码质量将达到最佳。MDC有效地解决了传统信源在单一信道传输时由于网络延迟而引起的质量下降问题。本文考虑到多描述格型矢量量化(Multiple Description Lattice Vector Quantization,MDLVQ)编码的抗误码特性,并结合视觉显着性理论,对深度图像、二维彩色图像和立体图像的编解码算法进行了优化和改进,完成的工作主要包括:(1)将格型矢量量化(Lattice Vector Quantization,LVQ)的多描述编码应用在深度图编码中。对深度图小波变换之后的不同子带系数采用不同的编码方案。低频子带系数采用较小量化步长的MDLVQ编码;而高频子带系数采用改进的集合分裂嵌入块编码(Set Partitioned Embedded Block Coding,SPECK),该方案最终保留了小波变换之后的所有较大系数。实验证明,该方案在提高深度图重建精度以及合成视点解码质量的同时,并没有花费更多的编码比特数,尤其是针对不可靠网络传输时,该方案在单路解码质量上优势明显。(2)提出一种基于视觉显着性的优化MDLVQ编码方案。与传统MDLVQ不同,首先我们依据图像内容设定一个将图像划分为显着区域与非显着区域的自适应阈值。其次通过迭代算法找到一对最优的量化步长分别对显着区域进行精细量化,对非显着区域进行粗糙量化。实验结果显示,与传统MDLVQ编码方案相比,改进方案显着区域的解码质量在主、客观上都得到了提高。(3)考虑到立体视频的发展,提出了一种基于视觉显着性的立体图像多描述编码方案。该方案在获得立体图像的显着性区域时,不但考虑亮度、颜色、纹理特征,而且将深度图像也作为一种参考因素引入进来,同时优化特征图融合方法。这种结合亮度、颜色、纹理、深度多特征的显着检测模型,大大提高了显着区域检测的准确性。最后,采用优化的MDLVQ编码对显着区域与非显着区域编码。实验表明,对立体图像采用基于视觉显着性的MDLVQ编码,同样具有较好的率失真性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
多描述编码论文参考文献
[1].张婷.基于深度学习的多描述编码研究[D].北京交通大学.2019
[2].马静远.基于格型矢量量化的多描述编码[D].北京交通大学.2018
[3].张慧雯.叁维深度图像的多描述编码[D].北京交通大学.2016
[4].蔡旻,欧扬,胡伏原,雷岩.一种基于标量量化分割的视频多描述编码方法[J].苏州科技学院学报(自然科学版).2015
[5].陈帆,张晓旭,和红杰.基于多描述编码的自恢复脆弱水印算法[J].铁道学报.2015
[6].郑海波,朱秀昌.基于分块压缩感知与平均分组的图像多描述编码[J].数据采集与处理.2014
[7].吕成鹏,岳殿武,潘晓晨,沈静铭.基于分级量化压缩感知的多描述编码方法研究[J].计算机工程与设计.2014
[8].田波,蔡述庭.面向Adhoc网络的视频多描述编码及其传输方法[J].铜仁学院学报.2014
[9].王光钰.基于混合范数重构的图像压缩感知多描述编码[D].大连海事大学.2014
[10].周文帅.二维/叁维视频的多描述编码方法研究[D].北京交通大学.2014
论文知识图
